KESTASIONERAN DAN AUTOKORELASI DALAM ANALISIS DATA TIME SERIES Oleh: Uqwatul Alma Wizsa Kestasioneran dan Autokorelasi dalam Analisis Data Time Series, Ada dua hal yang perlu diperhatikan dalam menganalisis suatu data yang berpengaruh pada waktu, atau disebut juga time series. Dua hal itu adalah kestasioneran data dan ketergantungan antara kejadian masa datang terhadap masa sebelumnya dari data. Kestasioneran merupakan salah satu bentuk data yang menyebar secara konstan di sekitar rataan tertentu dan ragamnya tetap, hal ini telah dibahas secara singkat pada bagian sebelumnya. Ketergantungan antara data pada time series yang dimaksud adalah adanya autokorelasi. Autokorelasi ini berguna untuk penentuan model yang akan dipakai. Kestasioneran Stasioner menunjukkan tidak adanya perubahan yang drastis pada data, diidentifikasi dengan bentuk sebaran data yang berfluktuasi disekitar nilai rata-rata yang konstan dan tidak bergantung pada waktu dan variansin dari fluktuasi tersebut (Makridakis,1995). Kestasioneran dalam analisis time series diperlukan untuk memperkecil kekeliruan model . ada tiga jenis ketidakstasioneran (Mulyana,2004).
Selain dengan melihat secara visual plot data, kestasioneran juga dapat diperiksa dengan melakukan uji Unit Root, atau uji akar unit. Uji Augmented Dickey-Fuller atau sering juga dikenal dengan unit root test (uji akar unit) merupakan uji formalitas untuk kestasioneran suatu data. Uji ini dikenalkan oleh David Dickey dan Wayne Fuller. Formulasi yang digunakan menggunakan model differenced-lag yang diregresikan.  Dengan Statistik uji Augmented Dickey-Fuller sebagai berikut dimana Data yang terindentifikasi tidak stasioner terlebih dahulu ditangani agar menjadi stasioner. Data yang tidak stasioner pada nilai tengah perlu dilakukan pembedaan (differencing). Data yang semula tidak stasioner akan menghampiri stasioner pada nilai tengah melalui differencing. Jika data yang sudah dilakukan sekali differencing masih menghasilkan data yang tidak stasioner maka akan dilakukan lagi proses differencing hingga mendapatkan data yang stasioner. Perumusan untuk differencing diperoleh dari proses backward shift dengan operator B, dengan dimana B = operator backward shift
Operator backward shift ini menjadi operator dalam penggeseran data ke periode sebelumnya. Operator B menggeser data ke satu periode sebelumnya, operator Penggunaan operator backward shift pada proses differencing dipakai untuk memperumum formula. Pembedaan pertama dari data adalah pengurangan data periode sekarang dengan data pada periode sebelumnya Dengan operator backward shift diperoleh differencing satu kali menjadi Sedangkan data tidak stasioner pada ragam maka ragam data dapat distabilkan dengan menggunakan transformasi Box-Cox. Transformasi Box-Cox dilakukan dengan memilih dan menetapkan nilai dari parameter Pada data ekonomi proses transformasi data non stasioner lebih sering digunakan penggabungan antara pembedaan (differencing) dengan transformasi logaritma dengan rumusan. Penggabungan ini secara praktis dapat membentuk data yang sebelumnya non stasioner menjadi stasioner. Hasil transformasi ini lebih sering dikenal dengan nilai return atau laju perubahan. Autokorelasi dan Autokorelasi Parsial Dikatakan sebelumnya bahwa pada data time series suatu pengamatan diharapkan bergantung dengan pengamatan sebelumnya. Hal ini dapat diperiksa dengan fungsi autokorelasi dan fungsi parsial. Fungsi autokorelasi menyatakan suatu keadaan dimana residual pengamatan berkaitan (berkorelasi) dengan residual pengamatan lain. Rumusan untuk fungsi autokorelasi adalah Rumus di atas menyatakan korelasi antara Zt dan Zt+k, dimana merupakan fungsi autokovariansi . Fungsi autokorelasi digunakan untuk mengidentifikasi model Moving average (MA), yang mana pemilihan orde untuk model MA dipilih dari lag pada correlogram ACF yang jatuh pada lag k. Fungsi autokorelasi parsial menyatakan keeratan hubungan antara dan setelah variabel terikat dihilangkan. Bentuk korelasinya adalah sebagai berikut. Bentuk korelasi ini disebut juga Partial Autocorrelation Function (PACF) (Wei,2006). Nilai Sebagaimana ACF, fungsi autokorelasi parsial juga digunakan untuk mengidentifikasi model namun untuk model Autoregressive (AR). Pola yang dibentuk dari fungsi autokorelasi (ACF) dapat mengidentifikasi kestasioneran data. Melalui software statistika kita dengan mudah dapat membuat pola fungsi ACF dan PACF melalui corelogram. Sebagai contoh bentuk pola ketidakstasioner sebelumnya akan dilihat bentuk correlogram-nya (Mulyana,2004). ACF dari gambar (a) Pola menurun ACF dari gambar (b) Pola altering ACF dari gambar (c) Pola gelombang PACF dari gambar (a) PACF dari gambar (b) PACF dari gambar (c) Pola ACF yang mengindikasikan ketidakstasioneran akan membangun pola menurun (data tidak stasioner terhadap rataan), altering (data tidak stasioner dalam varians), atau gelombang (data tidak stasioner dalam rataan dan varians).(-uaw2018) Paling sering dibaca
Desember 18, 2018
|
Cara menggunakan python autocorrelation plot
Pos Terkait
Copyright © 2024 apacode Inc.
